Udemy_4回目【2025年最新版】AI-900- Microsoft Azure AI Fundamentals 模擬問題

nanakottchi 2025年11月26日カード43 いいね0

あなたは、画像や映像内の人の数を数えたいと考えています。

Azure AI サービスのどの機能を使用すればよいですか。

1.Azure AI Vision
2.Azure AI Bot Service
3.Azure AI Face
4.光学式文字認識（OCR）

1 👍1.Azure AI Vision
2.Azure AI Bot Service
3.Azure AI Face
4.光学式文字認識（OCR）

画像や映像内の人の数を数えるには、Azure AI Visionを使用します。
Azure AI Bot Serviceは会話型AI用で、人数カウントには不適切です。
Azure AI Faceは顔認識に優れますが、全身を含む人数カウントはVisionが適しています。
OCRは画像内の文字認識技術で、人の数を数える用途には使いません。
Azure AI Visionは画像や映像の物体検出や顔検出機能を持ちます。
監視カメラ映像から人物を検出し、個別にカウントが可能です。
これによりリアルタイムの人数把握や時間帯ごとの集客分析ができます。
店舗運営やマーケティング、セキュリティ対策に役立ちます。
Visionの分析で人の動きや密度を把握し効率的な運営が可能です。
Azure AI Visionは視覚情報の分析に最適なサービスです。
下記の記述はそれぞれ、Microsoftが掲げる「責任あるAIの基本原則」のどれに当てはまりますか。

記述１：AIシステムを活用したテキスト読み上げ機能を実装する際は、特定のユーザーが排除されないよう配慮する必要がある
記述２：AIシステムは当初設計した通りに動作し、予期せぬ状況においても確実かつ安全に対応する必要がある

1.
記述１：包括性
記述２：アカウンタビリティ
2.
記述１：公平性
記述２：信頼性と安全性
3.
記述１：公平性
記述２：透明性
4.
記述１：包括性
記述２：信頼性と安全性

4 1.
記述１：包括性
記述２：アカウンタビリティ
2.
記述１：公平性
記述２：信頼性と安全性
3.
記述１：公平性
記述２：透明性
👍4.
記述１：包括性
記述２：信頼性と安全性

記述１は「包括性」、記述２は「信頼性と安全性」に該当します。
包括性とは、すべてのユーザーがAIを利用できるよう配慮することです。
記述１では、テキスト読み上げ機能を通じて誰もが排除されない設計が求められています。
視覚障がいや高齢者への配慮など、アクセシビリティ向上が中心となる考え方です。
信頼性と安全性は、AIが安定して期待通りに動作することを保証する原則です。
記述２では、予期しない状況でもAIが安全に対応できるよう求めています。
このような設計は、医療や自動運転など高リスク分野で特に重要です。
透明性やアカウンタビリティとは異なり、動作の一貫性と安全性が焦点です。
Microsoftの責任あるAI原則では、6つの柱が相互に補完し合っています。
正しく原則を理解することで、安全で公平なAI活用が可能になります。
あなたは、会話言語理解（CLU）を使って音声アシスタントシステムを開発しています。

ユーザーからの「発話」が、事前に定義したどの「意図」にも合致しない場合、どれに分類する必要がありますか。

1.カスタム意図（Custom intent）
2.負の意図
3.事前構築済み意図
4.None 意図（None intent）

4 1.カスタム意図（Custom intent）
2.負の意図
3.事前構築済み意図
👍4.None 意図（None intent）

ユーザーの発話がどの意図にも合致しない場合、**None意図**に分類します。
None意図は、CLUにおける「どのカスタム意図にも該当しない」発話を処理するための仕組みです。
例えば、運賃案内や時刻確認の意図を定義していても、「今日は何曜日？」という質問は該当しません。
このようなケースでは、None意図が適用され、適切なフォールバック応答が返されます。
カスタム意図は開発者が設定するもので、該当がない場合には使えません。
また、「負の意図」は肯定・否定のような意味の違いに対応するためのものです。
事前構築済み意図は、特定のドメイン用であり、該当しない発話はNoneに分類されます。
None意図の活用により、意図が不明な場合でも会話が破綻しにくくなります。
この仕組みは、音声アシスタントのユーザー体験を向上させる重要な要素です。
正しい分類と応答設計により、信頼性の高い対話システムを実現できます。
機械学習モデルを構築するためのデータに、新たに別の特徴を追加することを何と言いますか。

1.モデル学習
2.モデル評価
3.特徴量エンジニアリング
4.特徴選択

3 1.モデル学習
2.モデル評価
👍3.特徴量エンジニアリング
4.特徴選択

機械学習モデルに新たな情報を加えるには、「特徴量エンジニアリング」を行います。
これは、データに新しい特徴を追加したり、既存の特徴を変換する作業です。
目的は、モデルが学習しやすくなるように情報を強化することにあります。
たとえば、日付データから「曜日」や「休日フラグ」を抽出するのも一例です。
こうした追加情報により、モデルはより多くのパターンを捉えられるようになります。
一方、「モデル学習」は既存の特徴を使ってモデルを訓練する過程を指します。
「モデル評価」は、予測性能を検証するステップであり、特徴の追加とは異なります。
また「特徴選択」は、既存の特徴から重要なものを選び取る操作です。
特徴量エンジニアリングは、性能向上に直結する非常に重要な工程です。
より良いモデル構築のためには、適切な特徴の追加と加工が欠かせません。
以下の業務は、AIのどの分野の技術を使って達成することができますか。

・カスタマーサポートのチャットボットで、顧客からのコメントがポジティブかネガティブかを判断する

1.異常検知
2.Computer Vision
3.自然言語処理（NLP）
4.ナレッジマイニング

3 1.異常検知
2.Computer Vision
👍3.自然言語処理（NLP）
4.ナレッジマイニング

顧客のコメントがポジティブかネガティブかを判断するには、
**自然言語処理（NLP）**の技術が使われます。
NLPは、コンピューターが人間の言語を理解・分析・処理する技術です。
その中でも**感情分析（Sentiment Analysis）**は代表的な応用例です。
チャットボットは顧客の文から感情を読み取り、適切な応答が可能になります。
たとえば、怒りの表現には謝罪を、好意的な表現には感謝を返せます。
「異常検知」はデータの異常値を見つける技術で、感情判断には不適です。
「Computer Vision」は画像処理技術で、テキストの意味理解は行いません。
また、「ナレッジマイニング」は知識抽出に使われ、感情分析とは異なります。
NLPは、テキストベースの業務改善において重要なAI分野の一つです。
あなたは、Azure AI Custom Visionを使用して複数の画像を「犬」もしくは「猫」に分類する機械学習モデルを構築したいと考えています。

Azure Portalから構築する際に、選択するべきプロジェクトの種類と分類の種類の組み合わせはどれですか。

1.
プロジェクトの種類：分類
分類の種類：マルチクラス
2.
プロジェクトの種類：オブジェクト検出
分類の種類：マルチクラス
3.
プロジェクトの種類：分類
分類の種類：マルチラベル
4.
プロジェクトの種類：オブジェクト検出
分類の種類：マルチラベル

1 👍1.
プロジェクトの種類：分類
分類の種類：マルチクラス
2.
プロジェクトの種類：オブジェクト検出
分類の種類：マルチクラス
3.
プロジェクトの種類：分類
分類の種類：マルチラベル
4.
プロジェクトの種類：オブジェクト検出
分類の種類：マルチラベル

「犬」または「猫」に画像を分類したい場合、
Azure AI Custom Vision で選ぶべきは以下の組み合わせです。
**プロジェクトの種類：分類**、**分類の種類：マルチクラス**です。
これは、1枚の画像につき1つのラベル（犬または猫）を付けたい場合に最適です。
「マルチクラス」は、複数のクラスの中から1つだけを選ぶ方式です。
一方、「マルチラベル」は1枚の画像に複数ラベルを付けたい時に使います。
今回のように、排他的に「犬」か「猫」かを判断する用途では不適です。
また「オブジェクト検出」は、画像内の複数の物体を検出する用途向けです。
画像全体を1つのカテゴリに分類したい場合には必要ありません。
よって、分類 × マルチクラスが正しい選択です。
Microsoftの信頼あるAIの基本原則である「透明性」に当てはまる記述はどれですか。

1.システム設計やトレーニングデータの選択において、特定の人々やグループに偏りがないようにする
2.様々な人々が利用できるようにすることを想定してAIシステムを設計する
3.AIシステムは設計されたとおりに動作し、新しい状況にも安全に対応する
4.開発者や利用者は、AIシステムがなぜこの決定を行ったかを理解できるようにする

4 1.システム設計やトレーニングデータの選択において、特定の人々やグループに偏りがないようにする
2.様々な人々が利用できるようにすることを想定してAIシステムを設計する
3.AIシステムは設計されたとおりに動作し、新しい状況にも安全に対応する
👍4.開発者や利用者は、AIシステムがなぜこの決定を行ったかを理解できるようにする

AIの透明性とは、
その意思決定の仕組みや根拠を
開発者や利用者が理解できるよう
情報を明示することを指します。
例えば、AIが商品を推薦した際に
「なぜその商品が選ばれたか」を
説明できる仕組みが必要です。
これにより、不正確な出力や偏りも
発見・修正しやすくなります。
透明性はAIへの信頼性を高めます。
あなたは、回帰分析を行うために機械学習モデルを構築しようと考えています。
モデルの学習に使用するデータのラベルは、どのようなデータ型である必要がありますか。

1.文字列
2.カテゴリカルデータ
3.真偽値
4.数値

4 1.文字列
2.カテゴリカルデータ
3.真偽値
👍4.数値

回帰分析では、連続的な数値を予測するため、ラベルは「数値データ」である必要があります。
文字列データは数値予測に適しておらず、回帰には使用できません。
カテゴリカルデータは分類向きで、回帰には不適です。
真偽値も分類モデル向けで、回帰モデルには適しません。
回帰モデルは数値の変化を学習し、将来の数値を予測します。
たとえば住宅価格予測では、面積や築年数などの特徴量をもとに価格を予測します。
価格は連続的な数値であるため、回帰分析に適しています。
分類モデルは離散的なカテゴリを予測するため、目的が異なります。
適切なラベルの型を選ぶことが、正確な予測には重要です。
したがって、回帰分析には数値データのラベルが不可欠です。
Azure OpenAIのイメージ生成機能の主な目的は何ですか。

1.画像を分析してテキストデータを生成する
2.自然言語から画像を生成する
3.画像ファイルを圧縮する
4.画像を分析してメタデータを生成する

2 1.画像を分析してテキストデータを生成する
👍2.自然言語から画像を生成する
3.画像ファイルを圧縮する
4.画像を分析してメタデータを生成する

Azure OpenAIのイメージ生成機能は、自然言語の説明から画像を生成することが主な目的です。
たとえば「海辺の夕日」などのテキストに基づいて、対応する視覚的なイメージを自動で作成します。
これはOCRのような画像分析や、画像圧縮、メタデータ生成とは異なる技術です。
画像の生成には、ユーザーの言葉を理解し、想像力を活かした描画が求められます。
この機能は、デザインや広告、教育など多様な分野で活用されています。
コンテンツ制作の効率化や、迅速なビジュアル作成が可能になります。
従来の手作業による画像作成に比べ、時間とコストを削減できます。
Azureのクラウド基盤により、生成もスムーズでスケーラブルです。
OpenAIの技術は、創造的な作業を支援する新しいツールとなっています。
そのため、目的はあくまで「テキストから画像を生成すること」です。
下記の記述はそれぞれ、どの分析モデルの使用が適切ですか。

記述１：郵便局は、過去の販売データと市場動向を分析し、12月の年賀状の販売数を予測する
記述２：健康調査機関は、市民の居住地域、喫煙環境、大気中の排気ガス濃度を基に、呼吸器疾患のリスクを「軽度」「中度」「重度」に分類する

1.
記述１：クラスタリング
記述２：分類
2.
記述１：回帰
記述２：分類
3.
記述１：回帰
記述２：クラスタリング
4.
記述１：分類
記述２：クラスタリング

2 1.
記述１：クラスタリング
記述２：分類
👍2.
記述１：回帰
記述２：分類
3.
記述１：回帰
記述２：クラスタリング
4.
記述１：分類
記述２：クラスタリング

記述1は、年賀状の「販売数」という連続的な数値を予測しており、「回帰」モデルが適切です。
数値の予測は分類やクラスタリングでは対応できません。
記述2は、呼吸器疾患のリスクを「軽度」「中度」「重度」と明示されたカテゴリに分けています。
このようなケースでは「分類」モデルが最適です。
クラスタリングはラベルのないデータのグループ分けに使うため、ここでは不適です。
分類モデルは、既知の特徴量に基づいてラベルを予測する手法です。
回帰モデルは、温度や売上のような連続値の予測に用いられます。
記述1と2ではそれぞれ異なる分析目的に基づき、適切なモデルが変わります。
問題文の意図を正確に読み取り、モデルの選択が重要です。
よって、記述1は回帰、記述2は分類が正しい組み合わせです。
あなたは、自動車に搭載されるAIアシスタントを開発しています。このAIは、ドライバーの音声指示によってカーナビや音楽再生を制御できる必要があります。

この機能に必要な自然言語処理（NLP）のワークロードとして正しいものはどれですか。（２つ選択）

1.翻訳（Translation）
2.テキスト読み上げ（Text-to-Speech）
3.音声認識（Speech-to-Text）
4.キーフレーズ抽出（Key Phrase Extraction）
5.言語モデリング（Language Modeling）

35 1.翻訳（Translation）
2.テキスト読み上げ（Text-to-Speech）
👍3.音声認識（Speech-to-Text）
4.キーフレーズ抽出（Key Phrase Extraction）
👍5.言語モデリング（Language Modeling）

自動車のAIアシスタントには、音声コマンドを理解して操作を実行する機能が求められます。
このために必要な自然言語処理のワークロードは「音声認識」と「言語モデリング」です。
音声認識は、ドライバーの話した音声をテキストに変換する技術です。
例えば「音楽をかけて」という音声を文字データに変換します。
言語モデリングは、変換されたテキストの意味を文脈から理解します。
これにより、AIはユーザーの意図に合った行動が可能になります。
翻訳やテキスト読み上げは、この機能の本質とは関係ありません。
キーフレーズ抽出も一部の語句しか拾えず、正確な意図理解は困難です。
音声→テキスト→意味理解という流れが、AI制御には不可欠です。
したがって、正しいワークロードは「音声認識」と「言語モデリング」です。
データベースから特定の人物が写っている画像を特定する。

上記の記述について、Azure AI Faceサービスのどの機能を使用するべきですか。

1.顔検出
2.顔識別
3.顔のグループ化
4.似た顔の検索

2 1.顔検出
👍2.顔識別
3.顔のグループ化
4.似た顔の検索

特定の人物が写っている画像をデータベースから探すには、「顔識別」機能の利用が適切です。
顔識別は、入力された顔画像を登録済みの顔データと照合し、誰であるかを特定します。
「顔検出」は顔の有無を判断するだけで、人物の識別はできません。
「顔のグループ化」は似た顔を分類する機能で、個人の特定には使えません。
「似た顔の検索」も、顔が似ている人物を探すため、確実な識別はできません。
顔識別は、本人確認やセキュリティ管理などに幅広く活用されています。
例として、オフィスの入退室管理などにも利用されています。
撮影された顔画像を使って、登録済みの人物と一致するかを判断します。
これにより、迅速かつ正確な人物の特定が可能になります。
したがって、本ケースには「顔識別」が最も適した機能です。
自然言語処理を使って、あるニュース記事を下記のように処理しました。

これは自然言語処理(NLP)のどの機能に該当しますか。

1.キーフレーズ抽出
2.エンティティ認識
3.感情分析
4.機械翻訳

2 1.キーフレーズ抽出
👍2.エンティティ認識
3.感情分析
4.機械翻訳

ニュース記事から「人物名」「組織名」「日付」などを抽出する処理は、「エンティティ認識」に該当します。
エンティティ認識は、文章中の固有名詞を検出し、意味に応じて分類する技術です。
例えば「Microsoft」は「組織」、「2023年9月30日」は「日付」と認識されます。
これはキーフレーズ抽出のように重要語句を拾う処理とは異なります。
また、感情分析のように文の感情的傾向を測る機能とも無関係です。
機械翻訳は言語変換に使われるため、今回の処理には該当しません。
エンティティ認識は情報抽出や検索精度の向上に役立ちます。
ビジネス文書や問い合わせの自動分類にも応用されています。
Azure AI Languageは高精度なエンティティ認識を提供しています。
そのため、今回の処理は「エンティティ認識」が正解となります。
Microsoftの、責任あるAIの基本原則である「公平性」に当てはまる記述はどれですか。

1.開発者や利用者に対してどのようなアルゴリズムやデータが使用されているかを明確にする
2.AIシステムは、性別や人種に関わらず公平に結果を提供する
3.AIシステムは、設計されたとおりに動作し、新しい状況にも安全に対応する
4.様々な人々が利用できるようにすることを想定してAIシステムを設計する

2 1.開発者や利用者に対してどのようなアルゴリズムやデータが使用されているかを明確にする
👍2.AIシステムは、性別や人種に関わらず公平に結果を提供する
3.AIシステムは、設計されたとおりに動作し、新しい状況にも安全に対応する
4.様々な人々が利用できるようにすることを想定してAIシステムを設計する

Microsoftの責任あるAIの原則の一つである「公平性」は、AIがすべての人に対して中立な判断を行うことを指します。
性別や人種に関係なく、結果が偏らないように設計されている必要があります。
例えば、AIが求人選考で男性ばかりを選ぶのは不公平な結果です。
公平性の原則では、こうしたバイアスを排除することが重視されます。
透明性はアルゴリズムやデータの内容を明らかにする点に関係します。
信頼性と安全性は、AIが安定して正しく動作することに焦点を当てます。
包括性は多様な人が使える設計を目指すもので、公平性とは異なります。
したがって、正解は「性別や人種に関係なく公平に結果を提供する」です。
AIの判断基準が偏らないようにすることが、公平性の核心です。
公平性は、人権と平等を守るうえで欠かせないAIの設計要素です。
Microsoft Teamsに組み込むことができる、会話型インターフェースを持つアプリケーションは何ですか。

1.Azure AI Bot Service
2.Azure AI Custom Vision
3.Text Analytics
4.Azure AI Face

1 👍1.Azure AI Bot Service
2.Azure AI Custom Vision
3.Text Analytics
4.Azure AI Face

Microsoft Teamsに組み込める会話型アプリケーションは「Azure AI Bot Service」です。
このサービスは、自然な対話を実現するチャットボットを開発できます。
Teamsなどのプラットフォームと連携し、業務自動化やサポート対応に活用可能です。
Microsoft Bot Frameworkと組み合わせて柔軟な会話機能を実装できます。
さらに、会話言語理解（CLU）を使えば、ユーザーの意図を正確に把握できます。
一方、Custom Visionは画像認識であり、会話型ではありません。
Text Analyticsはテキスト解析専用で、対話機能は持ちません。
Azure AI Faceは顔認識用のサービスで、チャット機能とは無関係です。
したがって、正解は「Azure AI Bot Service」のみです。
これにより、Teamsでのインタラクティブな体験が実現されます。
あなたは、世帯ごとの月の電気使用量を世帯人数、住居面積、年間の時期（月）を基に予測したいと考えています。

学習モデルを構築するうえで、どれが「ラベル」として適切ですか。

1.電気使用量と世帯人数
2.世帯人数と住居面積と年間の時期（月）
3.電気使用量
4.電気使用量と世帯人数と住居面積と年間の時期（月）

3 1.電気使用量と世帯人数
2.世帯人数と住居面積と年間の時期（月）
👍3.電気使用量
4.電気使用量と世帯人数と住居面積と年間の時期（月）

月の電気使用量を予測するため、学習モデルの「ラベル」は電気使用量が適切です。
世帯人数や住居面積、年間の時期（月）はすべて予測に使う特徴量であり、ラベルではありません。
複数の変数を同時にラベルにすることは通常ありません。
ラベルはモデルが予測する対象の最終的な出力値です。
この場合、電気使用量が連続的な数値であり、回帰モデルで扱います。
世帯人数や住居面積、時期は入力データとして使われます。
正確な予測のため、これらの特徴量を活用して電気使用量を推定します。
回帰分析の基本的なタスクであり、連続値の予測が求められます。
誤って特徴量をラベルとすると学習が成立しません。
したがって、「電気使用量」がラベルとして正解です。
Azure Machine Learning デザイナーでパイプラインを作成するためには何が必要ですか。（２つ選択）

1.ストレージアカウント
2.コンピューティングリソース
3.ワークスペース
4.モジュール
5.ロジックアプリ

23 1.ストレージアカウント
👍2.コンピューティングリソース
👍3.ワークスペース
4.モジュール
5.ロジックアプリ

Azure Machine Learning デザイナーでパイプラインを作成するには、「ワークスペース」と「コンピューティングリソース」が必要です。
ワークスペースは、データセットやモデルなどのリソースを管理する中心単位で、パイプライン構築の基盤となります。
コンピューティングリソースは、モデルの学習やデータ処理を実行する計算環境です。
これがないとパイプラインを動かせません。
ストレージアカウントはデータ保存に使いますが、パイプライン作成に直接必要ではありません。
モジュールはパイプラインの構成要素ですが、必須ではありません。
ロジックアプリはワークフロー自動化ツールで、機械学習には関係ありません。
パイプラインは前処理から学習、評価までの一連の処理を組み合わせたものです。
Azure Machine Learning で効率的に作業を進めるには、この二つのリソースが必須です。
これによりスムーズなモデル開発と実行が可能になります。
下記の記述はそれぞれ、どの分析モデルの使用が適切ですか。

記述１：研究チームは、書類内の類似した文字列の意味を活用し、文書を複数のグループに分類する
記述２：鉄道会社は、気象情報や運行情報をもとに、電車の遅延時間を予測する
1.
記述１：クラスタリング
記述２：分類
2.
記述１：クラスタリング
記述２：回帰
3.
記述１：分類
記述２：回帰
4.
記述１：分類
記述２：クラスタリング

2 1.
記述１：クラスタリング
記述２：分類
👍2.
記述１：クラスタリング
記述２：回帰
3.
記述１：分類
記述２：回帰
4.
記述１：分類
記述２：クラスタリング

記述１は書類の類似文字列をもとにグループ分けするため、事前のラベルなしで似たものを分類する「クラスタリング」が適切です。クラスタリングは教師なし学習で、データの自然なグループ分けを見つけます。
記述２は気象情報や運行情報から電車の遅延時間という連続値を予測するため、「回帰」モデルが適しています。回帰は連続的な数値予測に使われます。
「分類」はあらかじめ決まったカテゴリを予測する手法なので、記述１のラベルなしグループ分けには不向きです。
また、数値予測にクラスタリングは使いません。
これら3つの分析モデルは目的に応じて使い分けられます。
MicrosoftのAIでは適切なモデル選択が重要です。
クラスタリングはパターン発見、回帰は数値予測に強みがあります。
今回の例で言えば、文書分類はクラスタリング、遅延時間予測は回帰が正解です。
分析モデルの違いを理解することで効果的な機械学習が実現します。
正しいモデル選択がAI活用の成功に直結します。
機械学習の二値分類モデルにおいて、偽陽性（False Positives）を減らすための一般的な手段はどれですか。

1.
しきい値を偽陰性（False Negatives）が増える方向に調整する
2.
しきい値を偽陽性（False Positives）が増える方向に調整する
3.
学習率（Learning Rate）を上げる
4.
評価指標を正解率（Accuracy）に変更する

2 1.
しきい値を偽陰性（False Negatives）が増える方向に調整する
👍2.
しきい値を偽陽性（False Positives）が増える方向に調整する
3.
学習率（Learning Rate）を上げる
4.
評価指標を正解率（Accuracy）に変更する

二値分類モデルで偽陽性（False Positives）を減らすには、しきい値を上げることが一般的です。
しきい値はモデルの陽性判定基準で、スコアがしきい値以上なら陽性と判定します。
しきい値を上げると陽性判定が厳しくなり、偽陽性が減る一方で偽陰性（False Negatives）が増える傾向があります。
逆にしきい値を下げると陽性判定が緩くなり、偽陽性が増えてしまいます。
学習率の変更や正解率への指標変更は偽陽性を直接減らす手段ではありません。
偽陽性の多発はビジネス損失やユーザー体験悪化につながるため注意が必要です。
しきい値調整は適合率（Precision）と再現率（Recall）のトレードオフにも影響します。
偽陽性を減らすためには適合率を重視し、しきい値を高く設定します。
この方法はモデル運用時の重要な調整ポイントです。
Azure Machine Learningでも評価指標として活用されます。
Azure AI Languageの機能を使って、X（旧：Twitter）上に自社の製品に対してポジティブもしくはネガティブなコメントが投稿された場合には通知が来るようにしたいと考えています。

処理Aと処理Bにはどのようなタスクが必要ですか。

1.
処理A：エンティティ認識
処理B：感情分析
2.
処理A：エンティティ認識
処理B：言語検出
3.
処理A：感情分析
処理B：音声合成
4.
処理A：言語検出
処理B：感情分析

1 👍1.
処理A：エンティティ認識
処理B：感情分析
2.
処理A：エンティティ認識
処理B：言語検出
3.
処理A：感情分析
処理B：音声合成
4.
処理A：言語検出
処理B：感情分析

Azure AI Languageを使い、X（旧Twitter）で自社製品へのコメントを監視するには、2つの処理が必要です。
処理Aはエンティティ認識で、投稿内の製品名や関連キーワードを特定します。
これにより、自社製品に関するコメントを抽出できます。
処理Bは感情分析で、投稿がポジティブかネガティブかを判定します。
言語検出は不要で、感情分析の精度向上には直接関係しません。
音声合成はテキストを音声に変換する機能で、本シナリオには関係ありません。
この仕組みで、特定の感情スコアを超えた投稿に対して通知が可能です。
エンティティ認識と感情分析の組み合わせが、製品に関する反応把握に適しています。
Azure AI Languageの機能を活用し、効率的なソーシャルメディア監視が実現できます。
これにより迅速な顧客対応やマーケティング施策に役立ちます。
機械学習モデルを構築する際に、データ取り込みとデータ準備の段階で実施されるべきアクションはどれですか。（２つ選択）

1.データ元は一箇所のリソースに限定して収集する
2.欠損値があるデータは排除する
3.モデルの精度を計算する
4.複数のデータセットを結合する
5.モデルのハイパーパラメータをチューニングする

24 1.データ元は一箇所のリソースに限定して収集する
👍2.欠損値があるデータは排除する
3.モデルの精度を計算する
👍4.複数のデータセットを結合する
5.モデルのハイパーパラメータをチューニングする

機械学習モデル構築のデータ取り込み・準備段階で重要なアクションは２つあります。
まず、欠損値のあるデータは排除するか適切に処理します。欠損値が残るとモデル精度に悪影響を及ぼすため、データの品質向上が目的です。
次に、複数のデータセットを結合し、一貫したデータセットを作ることが必要です。
複数のリソースから収集されたデータを統合し、モデル学習に適した形に整えます。
一方、データ収集を一箇所に限定することは推奨されません。
モデルの精度計算やハイパーパラメータ調整は、データ準備後のモデル評価やトレーニング段階で実施します。
これらの作業を通じて、モデルが正確に学習できる基盤を整えます。
質の良いデータ準備は高精度モデル構築の鍵です。
適切な前処理により、学習効果と汎化性能が向上します。
こうした段階を踏むことで、信頼性の高い機械学習モデルが実現します。
生成AIに対して外部の背景情報や文脈情報（コンテキスト）を与えて回答の正確性を高める方法は、どのプロンプトエンジニアリングの技法に該当しますか。

1.システムメッセージ
2.グラウンディングデータ
3.Temperature値
4.ファインチューニング

2 1.システムメッセージ
👍2.グラウンディングデータ
3.Temperature値
4.ファインチューニング

生成AIの回答精度を高めるために外部の背景情報や文脈（コンテキスト）を与える技法は「グラウンディングデータ」です。
システムメッセージは口調や役割の設定には有効ですが、新しい事実や具体的情報の追加はできません。
Temperature値は出力の創造性を調整するもので、外部情報追加には関係しません。
ファインチューニングはモデルの重みを再学習する手法で、即時の最新情報反映には時間とコストがかかり不向きです。
グラウンディングは外部の信頼情報（社内文書、ニュース、データベース検索結果など）をモデルに渡し、根拠に基づく回答を生成させます。
代表的な手法にRAG（Retrieval-Augmented Generation）があり、検索で関連資料を取得し、プロンプトに添付して回答を作成します。
これにより学習済み知識だけでなく最新かつ正確な情報を反映可能です。
具体例として最新製品情報やFAQを検索し、その抜粋をプロンプトに含めます。
この方法は誤情報（ハルシネーション）を減らし、信頼性の高い回答を生み出します。
Azure AI Foundry Agent ServiceではBing Searchを利用したグラウンディングが活用されています。
あなたは、オンラインの会議やウェビナーにおいて、音声をリアルタイムでテキストに変換して参加者に正確な情報を提供したいと考えています。

どのAIサービスを使用するのが適切ですか。

1.Azure AI 検索（Search）
2.Azure AI Vision
3.Azure AI Document Intelligence
4.Azure AI 音声（Speech）

4 1.Azure AI 検索（Search）
2.Azure AI Vision
3.Azure AI Document Intelligence
👍4.Azure AI 音声（Speech）

オンライン会議やウェビナーで音声をリアルタイムにテキスト化し、参加者に正確な情報を提供するには「Azure AI 音声（Speech）」が適切です。
Azure AI 検索は文書検索用で音声処理はできません。
Azure AI Visionは画像や動画解析に特化し、音声文字起こしには対応しません。
Azure AI Document Intelligenceは文書解析が専門で、音声には使えません。
Azure AI 音声は話した内容をリアルタイムで文字起こしし、字幕表示が可能です。
これにより聴覚障害者支援や通信が不安定な環境でも内容を伝えやすくなります。
多言語対応の国際イベントでも活用されます。
音声テキスト変換機能は視覚的に情報を共有するのに非常に有効です。
Microsoftのクラウドサービスとして高い精度と安定性を誇ります。
リアルタイム字幕による情報共有の質向上に貢献します。
あなたはIT管理者として、Azure AI Languageの質問応答（Question Answering）を利用したチャットボットを管理しています。

ユーザーとのやりとりを通してより回答精度を高めたい場合、どの機能を有効にするべきですか。

1.異常検知
2.レコメンド
3.アクティブラーニング
4.センチメント分析

3 1.異常検知
2.レコメンド
👍3.アクティブラーニング
4.センチメント分析

あなたが管理するAzure AI Languageの質問応答チャットボットで回答精度を高めるには「アクティブラーニング」を有効にすべきです。
異常検知は回答精度向上には適していません。
レコメンドは関連提案機能で、直接の精度改善には関係ありません。
センチメント分析も回答の質を上げる機能ではありません。
アクティブラーニングはユーザーの対話履歴を活用し、自動的に回答を改善します。
複数のQnA候補を提示し、ユーザーの選択から正解を学習する仕組みです。
例えば「返品方法」の質問に対し、ユーザーの選択結果を学び次回以降に反映します。
これにより、実際の利用データを元に回答精度が継続的に向上します。
チャットボットの品質向上に非常に効果的な機能です。
運用を通じてユーザー満足度の向上にも繋がります。
Azure AI Document Intelligenceサービスの使用例はどれですか。（２つ選択）

1.レシートから商品を購入した日付を読み取る
2.データベースから特定のレコードを検索する
3.請求書から請求金額を読み取る
4.学位論文からキーフレーズを抽出し要約する
5.ソーシャルメディアの投稿を分析する

13 👍1.レシートから商品を購入した日付を読み取る
2.データベースから特定のレコードを検索する
👍3.請求書から請求金額を読み取る
4.学位論文からキーフレーズを抽出し要約する
5.ソーシャルメディアの投稿を分析する

Azure AI Document Intelligenceの使用例として、レシートから購入日付を読み取ることが挙げられます。
また、請求書から請求金額を抽出することもこのサービスの適用例です。
データベースから特定レコードを検索するのはDocument Intelligenceの範囲外で、SQLなど別手法が適しています。
学位論文のキーフレーズ抽出や要約はText Analyticsが適しており、Document Intelligenceとは異なります。
ソーシャルメディアの投稿分析もText Analyticsなど別のAzure AIサービスの領域です。
Document Intelligenceは、レシートや請求書など定型フォームから必要なデータを自動抽出するのに特化しています。
これにより、経費精算や請求処理の効率化・自動化が可能です。
大規模な文書処理の負担を軽減し、正確なデータ取得を実現します。
手作業による入力ミスを減らし、業務効率向上に貢献します。
Azure AI Document Intelligenceはビジネス文書のデータ抽出に強みを持つサービスです。
二値分類のタスクにおいて、陽性（Positive）か陰性（Negative）かに分類することで機械学習モデルの正答率を評価する表は何ですか。

1.分類レポート(Classification Report)
2.ゲイングラフおよびリフトグラフ（Gain Table / Lift Table）
3.確率分布表 (Probability Distribution Table)
4.混同行列（Confusion Matrix）

4 1.分類レポート(Classification Report)
2.ゲイングラフおよびリフトグラフ（Gain Table / Lift Table）
3.確率分布表 (Probability Distribution Table)
👍4.混同行列（Confusion Matrix）

二値分類タスクのモデル評価には「混同行列（Confusion Matrix）」が用いられます。
混同行列は、モデルの予測と実際の結果を4つに分類します。
真陽性（TP）は正しく陽性と予測した場合、真陰性（TN）は正しく陰性と予測した場合です。
偽陽性（FP）は誤って陽性と予測、偽陰性（FN）は誤って陰性と予測したケースです。
この表により、モデルの正答率や誤判定の傾向を把握できます。
分類レポートは精度や再現率などを示しますが、混同行列そのものではありません。
ゲイングラフやリフトグラフはマーケティング用で、分類評価には不向きです。
確率分布表も分類評価のための表ではありません。
混同行列は特に迷惑メール判定など二値分類に適し、誤分類の影響を分析できます。
ビジネス状況に応じて、偽陽性や偽陰性の重要度を考慮し評価指標を選択します。
あなたはAzure Machine Learning デザイナーを使用して、過去の販売実績データから将来の売上金額を予測するモデルを構築しようとしています。

このモデルを完成させるために使用すべきモジュールの組み合わせはどれですか。

1.
モジュール1：データセットの列選択（Select Columns in Dataset）
モジュール2：データの分割（Split Data）
モジュール3：線形回帰（Linear Regression）
2.
モジュール1：データセットの列選択（Select Columns in Dataset）
モジュール2：データの分割（Split Data）
モジュール3：クラスタリング（K-Means Clustering）
3.
モジュール1：データの集計（Summarize Data）
モジュール2：CSV形式への変換（Convert to CSV）
モジュール3：線形回帰（Linear Regression）

1 👍1.
モジュール1：データセットの列選択（Select Columns in Dataset）
モジュール2：データの分割（Split Data）
モジュール3：線形回帰（Linear Regression）
2.
モジュール1：データセットの列選択（Select Columns in Dataset）
モジュール2：データの分割（Split Data）
モジュール3：クラスタリング（K-Means Clustering）
3.
モジュール1：データの集計（Summarize Data）
モジュール2：CSV形式への変換（Convert to CSV）
モジュール3：線形回帰（Linear Regression）

Azure Machine Learning デザイナーで売上予測モデルを作成するには、まず「データセットの列選択」モジュールで予測に必要な項目を選びます。
次に、「データの分割」モジュールでデータを学習用とテスト用に分けます。
そして、「線形回帰」モジュールを使い、数値予測のアルゴリズムを指定します。
販売実績の生データから不要な列を除き、欠損値を削除して整えたデータで学習させるのが基本です。
学習データでモデルをトレーニングし、「価格と売上」などの関係を学習させます。
テストデータでモデルの精度を評価し、予測のズレを確認します。
クラスタリングやCSV変換は予測モデル構築には適しません。
この流れで、マウス操作だけで効率よくAIモデルを作成できます。
結果として、過去データから将来の売上を高精度に予測できるモデルが完成します。
Azureのチュートリアルにも詳細な手順が掲載されています。
商品の海外展開のため、製品カタログやマニュアルを複数の言語に翻訳する必要がある場合、Azure AI サービスの何を使用するべきですか。

1.会話言語理解（CLU）
2.Text Analytics
3.Azure AI 翻訳（Translator）
4.Azure AI Bot Service

3 1.会話言語理解（CLU）
2.Text Analytics
👍3.Azure AI 翻訳（Translator）
4.Azure AI Bot Service

商品の海外展開で製品カタログやマニュアルを多言語に翻訳するには、Azure AI 翻訳（Translator）が適しています。
会話言語理解（CLU）はユーザーの意図解析用で翻訳には使えません。
Text Analyticsは感情分析やキーフレーズ抽出に特化し、翻訳機能はありません。
Azure AI Bot Serviceはチャットボット構築用で翻訳は対応していません。
Azure AI 翻訳はクラウドベースで、高品質かつ迅速な多言語翻訳を提供します。
これにより、手動翻訳にかかる時間やコストを大幅に削減できます。
例えば日本語マニュアルを英語やフランス語、ドイツ語などに一括で翻訳可能です。
文脈を理解して自然な文章を生成するため、読みやすく正確な翻訳結果を得られます。
APIを使って大量のテキスト処理も効率的に行えます。
Azure AI 翻訳は海外展開での多言語対応に最適なサービスです。
Azure OpenAIのGPTモデルを用いたチャットボットにおいて、ユーザーからの質問に対して短く終わるのではなく、より詳しい説明や背景情報を含む応答を生成させたいと考えています。

最も適切に調整すべきパラメーターはどれですか。

1.Temperature値
2.最大応答（Max response）
3.Top-K
4.Top-P

2 1.Temperature値
👍2.最大応答（Max response）
3.Top-K
4.Top-P

Azure OpenAIのGPTモデルで詳しい説明を生成するには、「最大応答（Max response）」パラメーターを調整するのが最適です。
これは一度に生成するトークン数の上限を決め、値が大きいほど長く詳細な文章が生成されます。
Temperatureは応答の創造性を調整しますが、応答の長さには関係ありません。
Top-KやTop-Pもトークン選択の範囲を制御しますが、応答の詳細さや長さには影響しません。
例えば、Max responseが小さいと短く簡潔な回答になります。
値を大きく設定すると、光合成の仕組みや関連物質を詳しく説明することが可能です。
また、プロンプトで詳細な説明を指示することで、より豊かな応答が得られます。
長めのMax response設定と工夫したプロンプトの組み合わせが効果的です。
これにより、ユーザーに対して背景情報や詳しい解説を含む回答が実現します。
Azure OpenAIのチャットボットの応答品質向上に欠かせないパラメーターです。
Azure Machine Learning デザイナーについて、正しい記述はどれですか。

1.ビジュアルキャンバス上でモジュールを追加したり接続して学習モデルを構築する
2.CLIを使用して機械学習モデルを構築する
3.モデル構築には機械学習に熟練している必要がある
4.モデル構築には特別なハードウェアが必要である

1 👍1.ビジュアルキャンバス上でモジュールを追加したり接続して学習モデルを構築する
2.CLIを使用して機械学習モデルを構築する
3.モデル構築には機械学習に熟練している必要がある
4.モデル構築には特別なハードウェアが必要である

Azure Machine Learning デザイナーは、ビジュアルキャンバス上でモジュールを追加・接続し、機械学習モデルを構築できるツールです。
CLIも利用可能ですが、中心は視覚的操作であり、コード不要で使いやすいです。
機械学習に詳しくなくても、ドラッグ＆ドロップでモデル設計や評価が行えます。
特別なハードウェアは不要で、クラウドリソースで処理可能です。
ビジュアルキャンバスには、データ読み込み、前処理、アルゴリズム選択、評価のモジュールを配置します。
モジュールは線でつなげてデータの流れを視覚的に管理できます。
これにより初心者でも簡単に機械学習モデルの一連の作業が可能です。
コードを書かずにトレーニングから評価まで進められるのが特徴です。
Azure Machine Learning デザイナーは効率的で直感的なモデル構築を支援します。
Microsoft Learnでも詳細な解説が提供されています。
Azure Machine Learning デザイナーを使用してクラスタリングモデルを構築する場合、データセットをどのように利用する必要がありますか。（手順１と２で一つずつ選択）

1.手順１：学習用と評価用で同じ内容のデータセットを用意する
2.手順２：評価用のデータセットでモデルを構築し、学習用のデータセットでモデルの性能を評価する
3.手順１：データセットを学習用と評価用のデータセットに分割する
4.手順２：学習用のデータセットでモデルを構築し、評価用のデータセットでモデルの性能を評価する

34 1.手順１：学習用と評価用で同じ内容のデータセットを用意する
2.手順２：評価用のデータセットでモデルを構築し、学習用のデータセットでモデルの性能を評価する
👍3.手順１：データセットを学習用と評価用のデータセットに分割する
👍4.手順２：学習用のデータセットでモデルを構築し、評価用のデータセットでモデルの性能を評価する

Azure Machine Learning デザイナーでクラスタリングモデルを構築する際は、データセットの使い方が重要です。
手順1では、データセットを学習用と評価用に分割します。同じデータを使うと正しい評価ができません。
手順2では、学習用データでモデルを構築し、評価用データで性能を評価します。逆は誤りです。
学習用と評価用を分けることで、モデルの汎化性能を正しく測れます。
クラスタリングの性能評価は未使用のデータで行う必要があります。
Azure Machine Learning デザイナーはGUIでドラッグ＆ドロップ操作が可能です。
このツールを使うと、初心者でも視覚的にモデル構築ができます。
正しいデータ分割と評価の手順が、効果的なクラスタリングモデル作成に欠かせません。
これにより、新しいデータに対する適応力を客観的に判断できます。
適切な手順を踏んで信頼性の高いモデルを作りましょう。
あるユーザーは、「今晩の夕食におすすめのレシピを教えてください」という質問をChatGPTに投げたところ、一般的な和食のレシピが返ってきました。そこで「糖質制限中でも食べられる、15分以内で作れる夕食レシピを教えて」と質問を調整したところ、意図に合った具体的なレシピが得られました。

このように、AIの出力の質を向上させるために入力文（質問文）を工夫する技術は何と呼ばれますか。

1.転移学習（Transfer Learning）
2.会話言語理解（CLU）
3.プロンプトエンジニアリング（Prompt Engineering）
4.データ前処理（Data Preprocessing）

3 1.転移学習（Transfer Learning）
2.会話言語理解（CLU）
👍3.プロンプトエンジニアリング（Prompt Engineering）
4.データ前処理（Data Preprocessing）

あるユーザーが「今晩の夕食におすすめのレシピを教えて」と質問したところ一般的な和食が返答されました。
そこで「糖質制限中でも食べられる、15分以内で作れる夕食レシピを教えて」と具体的に質問を変えたところ、意図に合った答えが得られました。
このようにAIの応答を改善するために質問文を工夫する技術は「プロンプトエンジニアリング」と呼ばれます。
転移学習や会話言語理解はこの技術とは異なり、データ前処理も別の作業です。
プロンプトエンジニアリングは入力文の書き方を最適化し、AIが求める回答を出しやすくする技術です。
漠然とした質問よりも、条件や制約を具体的に示すことで回答の精度が上がります。
例えば、糖質制限や調理時間を指定すると、AIはより適切なレシピを返せます。
この技術は生成AIの活用において重要なスキルとされ、業務や開発で注目されています。
質問の構造や言葉選びがAI応答の質に大きく影響します。
最適なプロンプト設計が、AI対話の成果を高める鍵となります。
ある文章生成タスクにおいて、言語モデルが以下の文を作成しようとしています。

"The cat jumped over the"

モデルはこの文の続きとして、次のような単語候補とそれぞれの出現確率を予測しました。

あるパラメータの値を3に設定したところ、上位3つの確率が高いトークン（fence, wall, sofa）が候補として残り、モデルはこの3つの中からランダムに1つを選びます。

"The cat jumped over the fence."
"The cat jumped over the wall."
"The cat jumped over the sofa."
このとき使用されたパラメータはどれですか。

1.Top-P
2.Top-K
3.プレゼンスペナルティ
4.Stop Sequence

2 1.Top-P
👍2.Top-K
3.プレゼンスペナルティ
4.Stop Sequence

ある文章生成タスクで「The cat jumped over the」という文の続きを予測する際、モデルは複数の単語候補と確率を出しました。
Top-Kパラメータを3に設定すると、確率が高い上位3つ（fence, wall, sofa）が候補として残り、その中からランダムに1つが選ばれます。
例えば、「The cat jumped over the fence.」や「The cat jumped over the wall.」などの文章が生成されます。
Top-Kは予測単語の中から上位K個のみを対象にし、多様性を保ちつつ応答を制御します。
これに対し、Top-Pは累積確率で候補を選び、Top-Kとは異なります。
プレゼンスペナルティは以前の単語を避ける調整で、単語候補の数とは関係ありません。
Stop Sequenceは生成停止のための文字列指定であり、候補絞り込みとは無関係です。
Top-Kの設定により、選択肢が制限されつつもランダム性を持つ生成が可能です。
この方法で文章の自然さや多様性を調整できます。
結果として、出力の幅をコントロールしながら適切な応答が得られます。
次のうち、会話型AI（Conversational AI）のユースケースとして適切なものはどれですか。（２つ選択）

1.顧客の感情を分析してスコアをつけるシステム
2.ユーザーの質問に答えてくれるカスタマーサポートチャットボット
3.人的リソースの負荷を軽減するための電話音声メニュー
4.商品レビューを収集して要約するAIシステム
5.アンケート結果をもとに自動でグラフを作成するレポートツール

23 1.顧客の感情を分析してスコアをつけるシステム
👍2.ユーザーの質問に答えてくれるカスタマーサポートチャットボット
👍3.人的リソースの負荷を軽減するための電話音声メニュー
4.商品レビューを収集して要約するAIシステム
5.アンケート結果をもとに自動でグラフを作成するレポートツール

会話型AI（Conversational AI）は、音声やテキストを通じて人と自然な対話を行うAIです。
代表的なユースケースには、カスタマーサポートのチャットボットがあり、FAQ対応や注文確認などを自動で行います。
もう一つの例が、電話音声メニュー（IVR）です。ユーザーの音声を理解し、予約や支払い案内などに対応します。
これらは対話形式のインターフェースを持ち、人的リソースの削減にも効果があります。
一方、感情分析やレビュー要約、アンケートのグラフ化などは、会話を伴わないため会話型AIとは異なります。
感情分析はテキストから感情を読み取る分析処理で、ユーザーとの対話を目的としていません。
レビュー要約は自然言語処理の一種であり、会話機能を持たないため対象外です。
アンケート結果を基にしたグラフ作成も、会話的な要素を含まないレポート機能です。
したがって、会話型AIのユースケースとして適切なのは、チャットボットと音声IVRの2つです。
これらは実際の対話を通じて、ユーザーのニーズに即時かつ柔軟に対応する仕組みを提供します。
あなたは、街中の画像から世界的に有名な企業（例: スターバックスやマクドナルド）の看板を検出するAIシステムを構築したいと考えています。

どのサービスの使用が適切ですか。

1.Azure AI Visionのオブジェクト検出
2.Azure AI Faceのライブネス検出
3.Azure AI Document Intelligenceのテキストの抽出
4.Azure AI Custom Visionの画像分類

1 👍1.Azure AI Visionのオブジェクト検出
2.Azure AI Faceのライブネス検出
3.Azure AI Document Intelligenceのテキストの抽出
4.Azure AI Custom Visionの画像分類

街中の画像から有名企業の看板やロゴを検出するには、Azure AI Visionのオブジェクト検出が最適です。
この機能は、画像内の特定の物体（例：ロゴ、看板）を自動で認識し、位置も特定できます。
スターバックスやマクドナルドのような世界的ブランドのロゴは、事前学習済みモデルで検出可能です。
追加の学習なしでも高精度な認識が可能で、実装も比較的簡単です。
一方、Faceのライブネス検出は顔の本人確認向けで、ロゴ検出には不適です。
Document Intelligenceは文書解析用で、画像内のロゴ検出には向きません。
Custom Visionは独自の分類には有効ですが、一般的なロゴ検出は標準モデルで十分対応可能です。
Azure AI Visionのオブジェクト検出は、監視映像や店舗分析などにも応用されます。
特にマーケティングや広告分析において、有効なツールとなります。
そのため、ブランドロゴ検出にはAzure AI Visionを選ぶのが適切です。
以下の選択肢から、Microsoftの「責任あるAIの基本原則」を選択してください。（３つ選択）

選択は正解です

1.包括性
2.可用性
3.倫理性
4.透明性
5.アカウンタビリティ

145 👍1.包括性
2.可用性
3.倫理性
👍4.透明性
👍5.アカウンタビリティ

Microsoftが掲げる「責任あるAIの基本原則」は6つあり、その中で正しい選択肢は「包括性」「透明性」「アカウンタビリティ」です。
**包括性**は、多様なユーザーに配慮し、誰もが公平に利用できるAIを目指す考え方です。
**透明性**は、AIの判断や仕組みが分かりやすく説明可能であることを求める原則です。
**アカウンタビリティ**は、AIの結果に対して人間が責任を持つ必要があるという考え方です。
一方、「可用性」はシステムの運用性に関する用語で、責任あるAIの原則には含まれません。
「倫理性」も重要な価値ですが、Microsoftの6原則にその言葉は明記されていません。
Microsoftの残りの原則には、公平性、安全性・セキュリティ、プライバシーとセキュリティも含まれます。
これらの原則はAIの設計・運用・提供すべての段階において考慮されるべきです。
Microsoftは、これらの原則をガイドラインとして責任あるAI開発を推進しています。
信頼できるAIを実現するために、原則に基づいた判断が不可欠です。
機械学習の「分類モデル」の使用例として適切なのはどれですか。

1.ある人物が家から会社までの距離に基づいて、車通勤をするかどうかを予測する
2.顧客の購買履歴や属性に基づいて、いくつかの類似したグループに分類する
3.企業がある商品の値上げをした場合、売上がどの程度減少するかを予測する
4.不動産の販売価格を、最寄りの駅からの距離に基づいて予測する

1 👍1.ある人物が家から会社までの距離に基づいて、車通勤をするかどうかを予測する
2.顧客の購買履歴や属性に基づいて、いくつかの類似したグループに分類する
3.企業がある商品の値上げをした場合、売上がどの程度減少するかを予測する
4.不動産の販売価格を、最寄りの駅からの距離に基づいて予測する

機械学習の分類モデルは、データをあらかじめ定められたカテゴリに分ける手法です。
「車通勤をするかどうか」を予測する例は、分類モデルに該当します。
この場合、入力は「通勤距離」、出力は「する／しない」の2クラスです。
これを**2値分類（二クラス分類）**と呼び、最も基本的な分類の一例です。
一方、「顧客をグループに分ける」例は**クラスタリング**で、教師なし学習の手法です。
また、「売上の減少量」や「販売価格」の予測は**回帰モデル**が適しており、分類とは異なります。
分類は「ラベル（カテゴリ）」を予測し、回帰は「数値」を予測します。
適切なモデル選択は、目的が「カテゴリ」か「数値」かで判断されます。
分類モデルは、医療診断、スパムメール検出など多くの分野で利用されています。
目的に応じて、分類、回帰、クラスタリングを正しく使い分けることが重要です。
SNS（ソーシャル・ネットワーキング・サービス）などにおいて、画像内の人物の顔に自動的にタグ付けを行うのは、どの技術を応用したものですか。

1.自然言語処理（NLP）
2.生成AI
3.顔認識
4.予測分析

3 1.自然言語処理（NLP）
2.生成AI
👍3.顔認識
4.予測分析

SNSで画像内の人物に自動タグ付けを行う技術は「顔認識」です。
顔認識は、写真や映像から人物の顔を検出し、その特徴を分析して識別します。
顔の特徴点（目や鼻、輪郭など）を抽出し、登録済みの顔データと照合します。
SNSでは、写真に写る友人の顔を認識し「○○さんをタグ付けしますか？」と提案します。
これはAIが顔を誰かと判断できたことを意味し、ユーザー体験の向上に貢献しています。
自然言語処理（NLP）は文章解析の技術で、画像認識には使われません。
生成AIは画像やテキストを生成する技術であり、人物識別とは異なります。
予測分析は未来を予測する技術で、画像内の顔の識別には関係しません。
顔認識技術はSNS以外にも、セキュリティや入退室管理など幅広く応用されています。
画像ベースの人物特定には、顔認識が最も適した技術です。
セキュリティカメラに写った人の表情を分析し、不審な表情をしている人を検出したいと考えています。

Azure AI Faceのどの機能を使用するべきですか。

1.顔検証
2.顔のグループ化
3.顔分析
4.顔検出

3 1.顔検証
2.顔のグループ化
👍3.顔分析
4.顔検出

セキュリティカメラの映像から不審な表情を検出するには、Azure AI Faceの「顔分析」機能を使用します。
顔分析では、顔の属性情報として感情（怒り・悲しみ・喜びなど）を数値で抽出できます。
これにより、表情の変化を定量的に評価し、不自然な感情を示す人物を特定できます。
「顔検出」は顔の存在や位置を検知する機能で、感情の判定には使えません。
「顔検証」は2つの顔が同一人物かどうかを比べるもので、表情分析とは異なります。
「顔のグループ化」は似た顔の分類用で、感情判定には対応していません。
顔分析を使えば、怒りや恐れといった感情をリアルタイムで捉えることが可能です。
この機能は、防犯対策や異常行動の早期発見に有効です。
顔の向きや年齢、眼鏡の有無なども同時に取得できます。
顔分析は、顔の表情を可視化・数値化するための最適な技術です。
あなたは、X（旧：Twitter）やFacebookなどのソーシャルメディア上で、特定の有名人に関する投稿を抽出したいと考えています。

Azure AI Languageのどの機能を使用するべきですか。

1.言語検出
2.キーフレーズ抽出
3.オブジェクト検出
4.エンティティ認識

4 1.言語検出
2.キーフレーズ抽出
3.オブジェクト検出
👍4.エンティティ認識

XやFacebookの投稿から有名人に関する内容を抽出するには、Azure AI Languageの「エンティティ認識」機能を使います。
この機能は、テキスト内の人名・地名・組織名などの固有情報を自動で識別できます。
例えば「山田太郎が新曲を発表」という投稿から、「山田太郎」を有名人として抽出可能です。
「言語検出」はテキストの言語を判別する機能で、名前の抽出には不適切です。
「キーフレーズ抽出」は重要語句を抽出しますが、固有名詞に特化していません。
「オブジェクト検出」は画像処理用で、テキストデータの解析には使えません。
エンティティ認識は大量の投稿から対象人物に関連する発言を効率よく抽出できます。
情報収集やモニタリング、ブランド管理などの用途にも応用できます。
また、カスタムエンティティを設定すれば特定分野にも対応可能です。
エンティティ認識はテキスト理解の中核を担う強力なNLP機能です。
あるデザイナーが「夜の図書館で本を読むロボット」という文章からイラストを自動生成したいと考えています。
この目的に最も適したAIモデルはどれですか。

1.Whisper
2.GPT-4
3.Microsoft Copilot
4.DALL·E

4 1.Whisper
2.GPT-4
3.Microsoft Copilot
👍4.DALL·E

「夜の図書館で本を読むロボット」のような文章からイラストを自動生成したい場合、最適なAIモデルは **DALL·E** です。
DALL·Eは、自然言語の説明をもとに高品質な画像を生成できるAIです。
「夜」「図書館」「ロボット」といった要素を理解し、視覚的に表現できます。
これは、OpenAIが言語と視覚情報の関係を学習させたことで実現しています。
**Whisper**は音声認識モデルで、画像生成には対応していません。
**GPT-4**は文章生成に特化しており、画像は出力できません。
**Microsoft Copilot**もドキュメント操作向けで、画像生成は目的外です。
DALL·Eは、広告、教材、アート制作など幅広い場面で活用されています。
画像の一部だけを編集したり、背景を生成したりする機能もあります。
創造的な作業を支援する、非常に有用なツールです。
自然言語処理（NLP）の活用例として適切なのはどれですか。

1.検索されたキーワードを基に関連した画像を表示する検索エンジン
2.手書きのアンケート用紙から回答内容を読み取る
3.音声認識システムを使って文字を画像に変換する
4.社内ユーザーからの問い合わせに応答するチャットボット

4 1.検索されたキーワードを基に関連した画像を表示する検索エンジン
2.手書きのアンケート用紙から回答内容を読み取る
3.音声認識システムを使って文字を画像に変換する
👍4.社内ユーザーからの問い合わせに応答するチャットボット

自然言語処理（NLP）は、人間の言葉をコンピューターが理解・処理する技術です。
適切な活用例は「社内ユーザーからの問い合わせに応答するチャットボット」です。
チャットボットは、文章の意味を理解し、適切な回答を自動生成します。
「パスワードをリセットしたい」などの表現を、NLPで意図として解釈します。
ユーザーの言葉からキーワードや目的を抽出するのがNLPの役割です。
一方、画像検索や手書き文字の読み取りはNLPではなく、画像処理の分野です。
音声を文字にする処理も音声認識技術であり、NLPとは別領域です。
NLPはテキストベースのデータの分析や応答生成に活用されます。
例としては、チャット応答、自動要約、翻訳、感情分析などがあります。
日常業務やサービスの効率化において、広く利用されています。
Azure AI Languageの質問応答（Question Answering）について正しい記述はどれですか。（２つ選択）

1.画像ファイルからデータを取り込むことができる
2.ユーザーの質問に最も近い内容のQ&Aペアを選んで応答する
3.アクティブラーニングをサポートしている
4.ユーザーのコメントから感情分析を行うことができる

23 1.画像ファイルからデータを取り込むことができる
👍2.ユーザーの質問に最も近い内容のQ&Aペアを選んで応答する
👍3.アクティブラーニングをサポートしている
4.ユーザーのコメントから感情分析を行うことができる

Azure AI Languageの質問応答機能は、FAQ形式のテキストデータをもとに質問に答える機能です。
この機能では、ユーザーの質問に最も意味が近いQ&Aペアを選び、適切な回答を返します。
例えば、表現が異なっても意味が似ていれば、同じ回答が得られます。
また、アクティブラーニングをサポートしており、ユーザーのフィードバックに基づき精度向上が可能です。
この仕組みにより、回答精度が徐々に改善されていきます。
画像ファイルの解析には対応しておらず、扱えるのはテキストベースの情報のみです。
感情分析は別機能であり、Text Analyticsサービスが担当します。
質問応答はFAQの自動化やチャットボットの構築に広く使われています。
業務効率化や顧客対応の質向上に貢献する機能です。
柔軟で高精度な応答が可能な点が大きな特長です。
テストする

よく頑張りました

暗記スタート

Udemy_4回目【2025年最新版】AI-900- Microsoft Azure AI Fundamentals 模擬問題

暗記

ビューア設定